هوش مصنوعی ماشین لرنینگ چیست؟

امروزه «هوش مصنوعی» (Artificial Intelligence | AI) در بیشتر حوزه‌های صنعت و حتی زندگی روزمره کاربرد دارد و یادگیری آن می‌تواند کمک بسزایی در پیشرفت فناوری‌های جدید داشته باشد. «ماشین لرنینگ» یا «یادگیری ماشین» (Machine Learning | ML) یکی از بخش‌‌های هوش مصنوعی به حساب می‌آید که باید برای کار در این حوزه فراگرفته شود. ماشین لرنینگ به سیستم توانایی یادگیری خودکار و بدون برنامه‌ریزی صریح را می‌دهد. به عبارت دیگر، هدف ماشین لرنینگ ساخت سیستم‌های هوشمندی است که با استفاده از مجموعه‌ای از داده‌ها و تجربیات به دست آمده، به یادگیری بپردازند و بتوان از آن‌ها برای هوشمندسازی سیستم‌ها استفاده کرد.

ماشین لرنینگ شاخه‌ای از هوش مصنوعی و «علوم کامپیوتر» (Computer Science) است که در استفاده از داده‌ها و الگوریتم‌ها برای تقلید از روش‌های یادگیری انسان‌ها تمرکز دارد و به تدریج دقت خود را بالا می‌برد. یادگیری ماشین یکی از موًلفه‌های مهم حوزه رو به رشد علم داده به حساب می‌آید. ماشین لرنینگ توسط «Arthur Samuel»، یک دانشمند کامپیوتر در شرکت IBM و پیشگام در هوش مصنوعی و بازی‌های کامپیوتری اختراع شده است. در این حوزه، داده‌ها از طریق استفاده از روش‌های آماری، الگوریتم‌های یادگیری ماشین برای «دسته‌بندی» (Classification) و «پیش‌بینی» (Prediction) «آموزش» (Train) داده می‌شوند و روش‌های کلیدی را در پروژه‌های «داده کاوی» (Data Mining) به وجود می‌آورند.

روش‌های یادگیری ماشین روی تصمیم‌گیری در برنامه‌ها، کسب و کارها و معیارهای رشد کلیدی تاًثیر بسزایی می‌گذارند. از آنجا که روش‌های مختلف ماشین لرنینگ روز به روز در حال افزایش هستند، موقعیت‌های شغلی بسیاری نیز برای متخصصین آن ایجاد می‌شوند و یادگیری این حوزه کمک بسیاری در یافتن یک شغل ایده‌آل به افراد می‌کند. الگوریتم‌های ماشین لرنینگ از داده‌های قدیمی‌تر به عنوان ورودی برای پیش‌بینی مقدار خروجی جدید استفاده می‌کنند. در یادگیری ماشین می‌توان با استفاده از الگوریتم‌های مختلف با هدف شناسایی الگوها و آموزش سیستم با استفاده از حجم زیادی از داده‌ها در طی یک فرایند تکراری اطلاعات مفیدی را بدست آورد.

الگوریتم‌های ماشین لرنینگ از روش‌های محاسباتی و آماری برای یادگیری مستقیم از داده‌‌ها به جای استفاده از معادله از پیش تعیین شده‌ای استفاده می‌کنند که ممکن است مانند یک مدل عمل کند. کارایی الگوریتم‌های ماشین لرنینگ با افزایش تعداد نمونه‌ها و داده‌ها در طول فرآیند یادگیری بهبود می‌یابند. برای مثالی در این زمینه، «یادگیری عمیق» یا همان «یادگیری عمیق» (Deep learning) زیرمجموعه‌ای از یادگیری ماشین است که کامپیوترها را برای تقلید از ویژگی‌های انسان آموزش می‌دهد. یادگیری عمیق پارامترهای عملکردی بهتری را نسبت به الگوریتم‌های ماشین لرنینگ معمولی ارائه داده است. اگرچه یادگیری ماشین مفهوم جدیدی نیست و خلق «ماشین انیگما» (Enigma Machine) در دوران جنگ جهانی دوم را هم می‌توان به نوعی یادگیری ماشین تلقی کرد، اما ماشین لرنینگ به عنوان توانایی انجام محاسبات پیچیده ریاضی به صورت خودکار برای انواع داده‌های مختلف پیشرفتی نسبتاً جدید به حساب می‌آید.

امروزه با افزایش «کلان داده‌ها» (Big Data)، «اینترنت اشیا» (Internet of Things | IoT)، «محاسبات فراگیر» (Ubiquitous Computing) و سایر موارد مشابه، ماشین لرنینگ به امری ضروری برای حل مسائل در بسیاری از زمینه‌ها تبدیل شده است. در ادامه برخی از زمینه‌های کاربردی ماشین لرنینگ فهرست شده‌اند: «محاسبات مالی» (Computational Finance): این حوزه به مسائلی از جمله «رتبه‌بندی اعتبار» (Credit Scoring) و «معاملات الگوریتمی» (Algorithmic Trading) ارتباط دارد. «بینایی ماشین» (Computer Vision): در این حوزه به زمینه‌هایی مانند «تشخیص چهره» (Facial Recognition)، «ردیابی حرکت» (Motion Tracking) و «تشخیص شیء» (Object Detection) پرداخته می‌شود. «زیست‌شناسی محاسباتی» (Computational Biology): به عنوان مثال‌هایی از این حوزه می‌توان به «توالی‌یابی دی‌ان‌ای» (DNA Sequencing)، «تشخیص تومور مغزی» (Brain Tumor Detection) و «دارو پژوهی» (Drug Discovery) اشاره کرد. «خودروسازی» (Automotive)، «هوافضا» (Aerospace) و «تولید» (Manufacturing ): در این حوزه به مواردی مانند «نگهداری و تعمیرات قابل پیش‌بینی» (Predictive Maintenance) پرداخته می‌شود. «پردازش زبان طبیعی» (Natural Language Processing | NLP): به عنوان مثالی در این زمینه می‌توان به «تشخیص صدا» (Voice Recognition) پرداخت.

ماشین لرنینگ به این دلیل مهم است که باعث می‌شود سازمان‌ها در پروژه‌هایشان بینشی از روند رفتار مشتری و الگوهای عملیاتی خود به دست آورند و همچنین می‌توان از یادگیری ماشین برای توسعه محصولات جدید استفاده کرد. همچنین از توسعه محصولات جدید پشتیبانی می‌کند. بسیاری از شرکت‌های موفق امروزی از جمله فیسبوک، گوگل و اوبر، ماشین لرنینگ را به بخش اصلی و مرکزی عملیات خود تبدیل کرده‌اند. ماشین لرنینگ به یک حوزه رقابتی مهم برای شرکت‌ها و کسب و کارها تبدیل شده و بسیار ارزشمند است؛ زیرا می‌تواند مسائلی را با سرعت و مقیاسی حل کند که توسط ذهن انسان به تنهایی قابل حل نیستند.

با استفاده از توانایی‌های زیادی جهت انجام حجم بالایی از محاسبات برای یک کار واحد یا چندین کار خاص، می‌توان ماشین‌ها را برای شناسایی الگوها، روابط بین داده‌های ورودی و خودکارسازی فرایندهای معمول آموزش داد. الگوریتم‌هایی که در یادگیری ماشین مورد استفاده قرار می‌گیرند، برای موفقیت در روند کار ماشین لرنینگ بسیار مهم هستند. این الگوریتم‌ها یک مدل ریاضی را بر اساس داده‌های نمونه می‌سازند تا بیش‌بینی‌ها و تصمیم‌گیری‌ها را بدون برنامه نویسی مستقیم انجام دهند. این داده‌ها به عنوان «داده‌های آموزشی» (Training Data) شناخته می‌شوند.

الگوریتم‌های یادگیری ماشین بر روی یک مجموعه داده برای ایجاد یک مدل یادگیری ماشینی مدل‌سازی می‌شوند. سپس، می‌توان داده‌های ورودی جدید را وارد الگوریتم ماشین لرنینگ کرد و برای توسعه مدل با هدف پیش‌بینی، آن‌ها را مورد استفاده قرار داد. در تصویر زیر سناریویی برای روش کارکرد سطح بالا ماشین لرنینگ مشاهده می‌شود. با این حال، مثال‌های دیگر مسائل ماشین لرنینگ معمولی ممکن است شامل بسیاری از عوامل، فاکتورها، «متغیرها» (Variable) و سایر مراحل باشند.

به طور کلی، روند یادگیری الگوریتم‌های ماشین لرنینگ را می‌توان به سه مجموعه زیر تقسیم کرد: «فرایند تصمیم» (Decision Process): بر اساس داده‌های ورودی و مسائلی از جمله این‌که برچسب‌دار باشند یا بدون برچسب، الگوریتم ماشین لرنینگ تخمینی درباره یک الگو در داده‌ها ایجاد می‌کند. در این مرحله باید نسبت به نوع داده‌ها، درباره روش اجرای الگوریتم تصمیم گرفته و رویکرد حل مسئله انتخاب شود. «تابع خطا» (Error Function): یک تابع خطا ارزیابی خروجی مدل و نتیجه حاصل شده استفاده می‌شود. اگر مدل‌های شناخته شده‌ای دیگری نیز درباره یک مسئله وجود داشته باشند، تابع خطا می‌تواند مقایسه‌ای برای ارزیابی دقت مدل با آن‌ها انجام دهد. «فرایند بهینه‌سازی مدل» (Model Optimization Process): اگر مدل به خوبی بتواند با داده‌های مجموعه داده آموزشی ارتباط برقرار کند، وزن‌ها برای کاهش اختلاف دقت بین مدل‌های شناخته شده قبلی و تخمین مدل ایجاد شده جدید تنظیم می‌شوند. الگوریتم ماشین لرنینگ این فرایند بهینه‌سازی و ارزیابی را تکرار می‌کند و وزن‌ها را به صورت خودکار تا رسیدن به هدف موردنظر بروزرسانی می‌کند.

برای انواع مجموعه داده‌های مختلف لازم است از مسیر یادگیری و روش‌های متفاوتی استفاده شود. الگوریتم‌های ماشین لرنینگ با استفاده از روش‌های مختلفی می‌توانند آموزش داده شوند که هر کدام از این روش‌ها مزایا و معایب خاص خود را دارند. به این ترتیب انواع روش‌های ماشین لرنینگ را می‌توان به صورت زیر دسته‌بندی کرد: «یادگیری نظارت شده» (Supervised Learning) «یادگیری نظارت نشده» (Unsupervised Learning) «یادگیری نیمه نظارتی» (Semi Supervised Learning) «یادگیری تقویتی» (Reinforcement Learning)

ممنون که تا آخر این پست با من همراه بودید. لطفا لایک کنید تا دل سازنده شاد بشه چون پیدا کردن تصاویر کمی طول کشید. ناظر عزیز و گرامی این پست اطلاعات عمومی هست و هیچ محتوای بدی نداره لطفا رد نکن. اگر هم موافق به ویژه شدن پست هستید توی قسمت نظرات حتما بگید. ممنون